¿Qué son las redes neuronales gráficas (GNN)?

los Transform Technology Summits comienza el 13 de octubre con Low-Code / Sin Code: Habilitación de la agilidad empresarial. ¡Regístrate ahora!


Los gráficos están por todas partes a nuestro alrededor. Tu red social es un gráfico de personas y relaciones. Tu familia también. Los caminos que tomas para ir del punto A al punto B constituyen un gráfico. Los enlaces que conectan esta página web con otras forman un gráfico. Cuando su empleador le paga, su pago pasa por un gráfico de instituciones financieras.

Básicamente, todo lo que esté compuesto por entidades vinculadas se puede representar como un gráfico. Los gráficos son excelentes herramientas para visualizar las relaciones entre personas, objetos y conceptos. Sin embargo, más allá de visualizar información, los gráficos también pueden ser buenas fuentes de datos para entrenar modelos de aprendizaje automático para tareas complicadas.

Las redes neuronales gráficas (GNN) son un tipo de algoritmo de aprendizaje automático que puede extraer información importante de los gráficos y realizar predicciones útiles. Con los gráficos cada vez más omnipresentes y ricos en información, y las redes neuronales artificiales más popular y capaz, Los GNN se han convertido en una herramienta poderosa para muchas aplicaciones importantes.

Transformación de gráficos para el procesamiento de redes neuronales

Una imagen de nodos interconectados sobre un fondo de mármol.

Cada gráfico está compuesto por nodos y aristas. Por ejemplo, en una red social, los nodos pueden representar a los usuarios y sus características (por ejemplo, nombre, género, edad, ciudad), mientras que los bordes pueden representar las relaciones entre los usuarios. Un gráfico social más complejo puede incluir otros tipos de nodos, como ciudades, equipos deportivos, medios de comunicación, así como bordes que describen las relaciones entre los usuarios y esos nodos.

Desafortunadamente, la estructura del gráfico no es adecuada para el aprendizaje automático. Redes neuronales esperan recibir sus datos en un formato uniforme. Los perceptrones multicapa esperan un número fijo de características de entrada. Las redes neuronales convolucionales esperan una cuadrícula que represente las diferentes dimensiones de los datos que procesan (p. Ej., Ancho, alto y canales de color de las imágenes).

Los gráficos pueden tener diferentes estructuras y tamaños, lo que no se ajusta a las matrices rectangulares que esperan las redes neuronales. Los gráficos también tienen otras características que los hacen diferentes del tipo de información para el que están diseñadas las redes neuronales clásicas. Por ejemplo, los gráficos son “invariantes en permutación”, lo que significa que cambiar el orden y la posición de los nodos no hace una diferencia siempre que sus relaciones sigan siendo las mismas. Por el contrario, cambiar el orden de los píxeles da como resultado una imagen diferente y hará que la red neuronal que los procesa se comporte de manera diferente.

Para que los gráficos sean útiles para los algoritmos de aprendizaje profundo, sus datos deben transformarse en un formato que pueda ser procesado por una red neuronal. El tipo de formato utilizado para representar los datos del gráfico puede variar según el tipo de gráfico y la aplicación prevista, pero en general, la clave es representar la información como una serie de matrices.

Una serie de imágenes sobre un fondo granulado de color arena.  El primero es una serie de perfiles de personas interconectados por nodos.  Los siguientes son dos gráficos con una serie de nombres de personas e información biográfica básica.

Por ejemplo, considere un gráfico de red social. Los nodos se pueden representar como una tabla de características de usuario. La tabla de nodos, donde cada fila contiene información sobre una entidad (por ejemplo, usuario, cliente, transacción bancaria), es el tipo de información que proporcionaría una red neuronal normal.

Pero graficar redes neuronales también puede aprender de otra información que contiene el gráfico. Los bordes, las líneas que conectan los nodos, se pueden representar de la misma manera, conteniendo cada fila los ID de los usuarios e información adicional como fecha de amistad, tipo de relación, etc. Finalmente, la conectividad general del gráfico se puede representar como una matriz de adyacencia que muestra qué nodos están conectados entre sí.

Cuando toda esta información se proporciona a la red neuronal, puede extraer patrones y conocimientos que van más allá de la simple información contenida en los componentes individuales del gráfico.

Incrustaciones de gráficos

Tres imágenes sobre un fondo de mármol azul.  El primero: una serie de gráficos con nombres e información personal de los usuarios.  Segunda imagen: gráfico de barras titulado "Incrustación de gráficos." Tercera imagen: una hoja de cálculo con usuarios y números titulados "Incrustaciones de gráficos."

Las redes neuronales gráficas se pueden crear como cualquier otra red neuronal, utilizando capas completamente conectadas, capas convolucionales, capas agrupadas, etc. El tipo y número de capas dependen del tipo y complejidad de los datos gráficos y del resultado deseado.

El GNN recibe los datos del gráfico formateado como entrada y produce un vector de valores numéricos que representan información relevante sobre los nodos y sus relaciones.

Esta representación vectorial se denomina “incrustación de gráficos”. Las incorporaciones se utilizan a menudo en el aprendizaje automático para transformar información complicada en una estructura que se pueda diferenciar y aprender. Por ejemplo, los sistemas de procesamiento del lenguaje natural utilizan incrustaciones de palabras para crear representaciones numéricas de palabras y sus relaciones.

¿Cómo crea GNN la incrustación de gráficos? Cuando los datos del gráfico se pasan al GNN, las características de cada nodo se combinan con las de sus nodos vecinos. Esto se denomina “transmisión de mensajes”. Si el GNN está compuesto por más de una capa, las capas subsiguientes repiten la operación de paso de mensajes, recolectando datos de vecinos de vecinos y agregándolos con los valores obtenidos de la capa anterior. Por ejemplo, en una red social, la primera capa del GNN combinaría los datos del usuario con los de sus amigos, y la siguiente capa agregaría datos de los amigos de amigos y así sucesivamente. Finalmente, la capa de salida del GNN produce la incrustación, que es una representación vectorial de los datos del nodo y su conocimiento de otros nodos en el gráfico.

Curiosamente, este proceso es muy similar a cómo las redes neuronales convolucionales extraen características de los datos de píxeles. En consecuencia, una arquitectura GNN muy popular es la red neuronal convolucional de gráficos (GCN), que utiliza capas de convolución para crear incrustaciones de gráficos.

Aplicaciones de redes neuronales gráficas

Una imagen de tres redes neuronales separadas sobre un fondo gris.

Una vez que tenga una red neuronal que pueda aprender las incorporaciones de un gráfico, puede usarla para realizar diferentes tareas.

A continuación, se muestran algunas aplicaciones para redes neuronales gráficas:

Clasificación de nodos: una de las aplicaciones poderosas de los GNN es agregar nueva información a los nodos o llenar los vacíos donde falta información. Por ejemplo, supongamos que tiene una red social y ha detectado algunas cuentas de bot. Ahora quiere saber si hay otras cuentas de bots en su red. Puede entrenar a un GNN para clasificar a otros usuarios en la red social como “bot” o “no bot” en función de lo cerca que están sus incrustaciones de gráficos a las de los bots conocidos.

Predicción de bordes: otra forma de utilizar los GNN es encontrar nuevos bordes que puedan agregar valor al gráfico. Volviendo a nuestra red social, un GNN puede encontrar usuarios (nodos) que están cerca de usted en el espacio de incrustación, pero que aún no son sus amigos (es decir, no existe una ventaja que los conecte entre sí). Estos usuarios se le pueden presentar como sugerencias de amigos.

Agrupación: los GNN pueden obtener nueva información estructural de los gráficos. Por ejemplo, en una red social donde todos están de una forma u otra relacionados con otros (a través de amigos, o amigos de amigos, etc.), el GNN puede encontrar nodos que formen clústeres en el espacio de incrustación. Estos clústeres pueden apuntar a grupos de usuarios que comparten intereses, actividades u otras características discretas similares, independientemente de cuán cercanas sean sus relaciones. La agrupación en clústeres es una de las principales herramientas que se utilizan en el marketing basado en aprendizaje automático.

Las redes neuronales gráficas son herramientas muy poderosas. Ya han encontrado aplicaciones poderosas en dominios como planificación de rutas, detección de fraudes, optimización de redes e investigación de medicamentos. Dondequiera que haya un gráfico de entidades relacionadas, los GNN pueden ayudar a obtener el máximo valor de los datos existentes.

Ben Dickson es ingeniero de software y fundador de TechTalks. Escribe sobre tecnología, negocios y política.

Esta historia apareció originalmente en Bdtechtalks.com. Copyright 2021

VentureBeat

La misión de VentureBeat es ser una plaza urbana digital para que los responsables de la toma de decisiones técnicas obtengan conocimientos sobre tecnología transformadora y realicen transacciones. Nuestro sitio ofrece información esencial sobre tecnologías y estrategias de datos para guiarlo a medida que dirige sus organizaciones. Te invitamos a convertirte en miembro de nuestra comunidad, para acceder a:
  • información actualizada sobre los temas de su interés
  • nuestros boletines
  • contenido exclusivo de líderes de opinión y acceso con descuento a nuestros preciados eventos, como Transformar 2021: Aprende más
  • funciones de red y más
Hágase miembro

Source: VentureBeat by feedproxy.google.com.

*The article has been translated based on the content of VentureBeat by feedproxy.google.com. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!